Характеристики

Контекст: 512 токенов
Параметры: 77,5 млн
Лицензия: MIT
Архитектура: deberta-v2 · dense
Опубликована: 6 июл 2022

Ссылки

Hugging Face

deberta-v3-xsmall-with-biblio-context-finetuned-review_classifier

domenicrosati

Классификация текстаТекст → label3 профессии

Дообученная DeBERTa v3 xsmall для классификации рецензий с учётом библиографического контекста.

29скачиваний за 30 дней0лайковвеса обновлены7 июл 2022

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

domenicrosati/deberta-v3-xsmall-with-biblio-context-finetuned-review_classifier — модель классификации текста, дообученная на основе microsoft/deberta-v3-xsmall. По названию репозитория она предназначена для классификации рецензий с использованием библиографического контекста; карточка сообщает метрики на оценочном наборе: accuracy 0,9682, F1 0,8332, recall 0,8466 и precision 0,8202.

Модель построена на архитектуре DeBERTa v3 xsmall с контекстным энкодером, содержит 77,5 млн параметров и принимает последовательности длиной до 512 токенов. Формат весов — PyTorch. Указана лицензия MIT. В README не описаны метки классификации, устройство библиографического контекста и состав данных, поэтому применимость метрик к конкретным сценариям следует оценивать с учётом этих пробелов.

Сценарии применения

классификация рецензий с библиографическим контекстом
автоматическая разметка текстов рецензий
оценка категории рецензии в текстовом корпусе

Ограничения

README не сообщает набор меток, обучающий датасет и способ подачи библиографического контекста. Контекст ограничен 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

deberta-v3-xsmall-with-biblio-context-finetuned-review_classifier

This model is a fine-tuned version of microsoft/deberta-v3-xsmall on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.0979
Accuracy: 0.9682
F1: 0.8332
Recall: 0.8466
Precision: 0.8202

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 4.5e-05
train_batch_size: 12
eval_batch_size: 12
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 1000
num_epochs: 2
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1	Recall	Precision
0.1539	1.0	6667	0.1237	0.9584	0.7668	0.7307	0.8067
0.1271	2.0	13334	0.0979	0.9682	0.8332	0.8466	0.8202

Framework versions

Transformers 4.20.1
Pytorch 1.12.0+cu102
Datasets 2.3.2
Tokenizers 0.12.1

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DebertaV2ForSequenceClassificationWithContextEncoder
Ревизия весов: 04ef738